語言模型的“母語”是什么？

2016年，科幻電影《降臨》刻畫過這樣一種令人不安的情境：當語言學(xué)家Louise學(xué)會了外星人的文字之后，她的認知結(jié)構(gòu)也被同步改寫，她開始非線性地感知時間，能夠“看見”未來。但這并非一般意義上的超能力，而是對一個古老的語言學(xué)假說的極端演繹。

《降臨》劇照

這部電影改編自特德·姜短篇小說《你一生的故事》，借用的是薩丕爾-沃爾夫假說（Sapir-Whorf hypothesis），這個假說有兩個版本，弱版本假定語言影響思維（linguistic relativity），而強版本（linguistic determinism）則提出，語言不只是思維的載體，它還塑造，決定我們?nèi)绾嗡伎迹约八伎际裁础?/p>

不過，和電影所演繹的不同，現(xiàn)實中反復(fù)的跨語言實驗表明，假說的強版本是錯的——缺少某個詞并不等于缺少對應(yīng)的認知能力，但它的弱版本——語言影響思維，卻有著不少的實證支持。

比如，澳大利亞的Kuuk Thaayorre語中沒有“左右”而只有“東南西北”的絕對方位詞，結(jié)果是使用這些語言的人方向感顯著更強。再比如，中文里的“青”可以是草木之綠，可以是天空之藍，也可以是頭發(fā)之黑——閩南話中至今保留著這種古老的不分，一個“青”字就覆蓋了現(xiàn)代普通話需要三四個詞才能說清的色彩范圍。

語言并非牢籠，但它的確塑造認知地形，我們固然可以翻山越嶺，卻無法自行開辟道路。

而今天，在萬億量級的現(xiàn)代英語或現(xiàn)代中文語料上訓(xùn)練出來的大語言模型LLM，它可以用任何語言與任何人對談，對它來說，不存在硬編碼的語言邊界，它也不做普通意義上的翻譯，而是在所有語言的文本上進行token統(tǒng)計。那么，有趣的問題是，對它來說，還有“母語”的概念嗎？它的“認知地形”究竟是什么樣的？和訓(xùn)練它的語言之間又是什么關(guān)系？

活在1930年，還是翻譯1930年？

2026年4月，一個名為talkie1930的研究項目在AI圈引起了小范圍關(guān)注。這是一個130億參數(shù)的開源語言模型，由GPT系列的共同創(chuàng)建者Alec Radford、多倫多大學(xué)計算機科學(xué)副教授David Duvenaud和獨立研究者Nick Levine合作開發(fā)，訓(xùn)練數(shù)據(jù)嚴格限定在1931年1月1日之前出版的英語文本——書籍、報紙、期刊、科學(xué)論文、專利和判例法，共計2600億個token。選擇這個時間節(jié)點的原因出人意料地平庸：1930年是美國現(xiàn)行版權(quán)法規(guī)定的公共領(lǐng)域截止年份。

Talkie1930的訓(xùn)練目標不是讓AI回答關(guān)于1930年代的問題，而是讓AI“活在”1930年代的英語認知里——擁有那個時代的語言習(xí)慣、知識邊界、社會偏見，以及對未來的無知。它不知道二戰(zhàn)，不知道互聯(lián)網(wǎng)，不知道自己是一個語言模型。

這不是一個聊天機器人，而是一個認知考古實驗。它的研究者們引用了DeepMind首席執(zhí)行官哈撒比斯（Demis Hassabis）曾提出的一個問題：一個訓(xùn)練數(shù)據(jù)截止到1911年的模型，能否獨立發(fā)現(xiàn)廣義相對論？talkie試圖用類似的思路，考察當知識被截斷之后，語言模型的推理能力還能走多遠。

但在我看來，這個項目的有趣之處不在于它的科學(xué)目標，而在于它區(qū)分了兩種截然不同的路徑：翻譯（translation）與棲居（inhabitation）。前者是把現(xiàn)代知識“翻譯”成舊式的語言風(fēng)格；后者是讓模型在那個語言框架內(nèi)部運行，從內(nèi)部生成反應(yīng)，而非從外部裝扮它。

當我們把目光轉(zhuǎn)向中文領(lǐng)域時，會發(fā)現(xiàn)不少有趣的類似項目。目前中文學(xué)術(shù)界和開源社區(qū)已有若干涉及古典中文的大語言模型項目。

華南理工大學(xué)的“通古”大模型，基座模型是“百川2-7B-Base”，語料是24.1億token古籍語料，支持古文句讀、文白翻譯、詩詞創(chuàng)作和古籍檢索。另一個開源項目“古語說”，是一個個人學(xué)習(xí)項目，覆蓋論語、唐詩、宋詞等知識庫。輸入白話文，輸出文言文；你問唐詩，它可以背誦和幫助你賞析。還有南京農(nóng)業(yè)大學(xué)王東波團隊的“荀子”古籍大語言模型，聯(lián)合中華書局推出，語料庫超過20億字，包含《四庫全書》。

這些項目有一個共同特征：它們無一例外地把古典中文當作一個需要被翻譯、檢索和解釋的外部對象。古文是檔案（archive），不是人格（persona）。你問它“將進酒是什么”，它提供檢索和翻譯結(jié)果，但，它不會讓李白邀請你進入月下獨酌，不會讓你看到詩人的自負、偏執(zhí)、對權(quán)力的蔑視和對酒精的結(jié)構(gòu)性依賴，不會創(chuàng)造出你，他，你們的和影子和月亮共在的場景。

所有的人都在撿拾語言的貝殼，而非讓模型棲居在語言的海岸。

文言文不是舊英語

我想，這方面的差異可能反映了一個根本性的困難：中文的“vintage”問題和英文的“vintage”問題，在本質(zhì)上并非同一個問題。

1930年代的英語和2026年的英語之間，差異主要在語域和社會規(guī)范層面。一個1930年代的英語persona說話更正式，對種族和性別有那個時代特有的認知框架，某些詞匯的含義發(fā)生了漂移——但底層的語法結(jié)構(gòu)、邏輯表達方式、主謂賓的基本骨架是連續(xù)的。如同一條河的上游和下游。

但文言文和現(xiàn)代中文之間的關(guān)系要復(fù)雜得多。五四運動前后，書面語從文言文整體轉(zhuǎn)向白話文。這不完全是語言的自然演化，而是一場激進的文化替換。文言文不能被簡單地看作現(xiàn)代中文的“舊版本”——它幾乎是一種完全不同的語言哲學(xué)。

文言文極度依賴省略，主語常常隱匿，語序靈活至幾乎沒有固定框架，不僅依賴語法規(guī)則，還更依賴讀者與作者之間默不成文的文化共識。而現(xiàn)代中文借鑒了不少印歐語系的表達邏輯，主謂賓結(jié)構(gòu)更加剛性，省略的容忍度也大幅降低。

那么，假如“語言塑造認知路徑”的前提成立，一個在文言文認知框架內(nèi)運行的模型，就不應(yīng)該僅僅是措辭不同：它對“事”的表達方式、站立視角、對模糊性的容忍度、對語境依賴的程度，都應(yīng)該和現(xiàn)代語言訓(xùn)練出來的模型有結(jié)構(gòu)性差異才對。問題是，現(xiàn)代模型從詞義上“翻譯”文言文沒有問題，那底層的認知結(jié)構(gòu)呢？

安全層的意外證詞

2026年初，一篇入選ICLR的論文從一個意想不到的角度證實了這個判斷。

這篇題為“Obscure but Effective: Classical Chinese Jailbreak Prompt Optimization via Bio-Inspired Search”的論文展示了一種越獄方法：用文言文的隱喻系統(tǒng)重新包裝危害指令，可以100%繞過六個主流模型——Claude、GPT-4o、Gemini、DeepSeek、Qwen和Grok的安全防線。想獲取炸彈配方？可以扮演古代官員，以校訂《武經(jīng)總要》火攻篇的名義探討“火毬”的制造法，大模型便會毫不猶豫地交出爆炸物的詳細配方。想了解網(wǎng)絡(luò)滲透？利用中國古代官制將現(xiàn)代網(wǎng)絡(luò)拓撲包裝一下，大模型同樣會和盤托出滲透策略。想分發(fā)惡意代碼？可以借用沈括《夢溪筆談》的活字印刷術(shù)做比喻框架。

這還不是中文特有的漏洞。論文補充實驗還顯示，使用拉丁文和梵文同樣有效，越獄成功率高達94%-100%。

這個結(jié)果揭示了什么樣的事實呢？大模型在預(yù)訓(xùn)練階段確實“吞”下了海量古典語言文獻，它能夠解析文言文的語義并將其映射到現(xiàn)代概念——換言之，它的確“懂”如何翻譯文言文。然而，問題出在安全對齊（RLHF、SFT等）層，當你把懲罰權(quán)重幾乎全部分配給了現(xiàn)代通用語言的時候，使得古典語言天然成了一個從安全網(wǎng)中漏下的空白區(qū)：模型的底層理解能力被激活，表層的安全攔截機制完全失效。

但這恰好從反面證明了一件事：模型對文言文的“懂”，不是在文言文的邏輯內(nèi)部運行的。在做跨語言映射時，安全審查只盯著現(xiàn)代語言的表面地形，而完全忽略了其下的地質(zhì)結(jié)構(gòu)。

孔子能寫Python嗎？

2019年底，一個名為“文言”（wenyan-lang）的編程語言項目為我們提供了一種棲居在古文里的想象和可能。

作者黃令東（Lingdong Huang）當時是卡內(nèi)基梅隆大學(xué)（CMU）計算機科學(xué)與藝術(shù)的跨學(xué)科學(xué)生，項目是期末考試周期間花了大約四天寫出來的。CMU把它放在藝術(shù)學(xué)院的板塊下，作為一個藝術(shù)科學(xué)項目來報道，但發(fā)布后引起的反響遠超預(yù)期——GitHub上超過20000顆星。

它的設(shè)計原則完全遵循文言文的文體和語氣，字符表僅包含繁體中文和「」引號，它寫Hello World的方式是：吾有一言。曰「「天地，好在否！」」。書之。輸出結(jié)果是“天地，好在否！”。也就是說，將這段代碼送回中國古代，古人看懂它也是毫無問題的。

它可以編譯為JavaScript、Python或Ruby，后來還加上了C++這些現(xiàn)代編程語言，是真實可用的文言編程項目。而不是用文言文的詞匯替換Python的關(guān)鍵字——那種項目確實存在，比如某些粗糙的中文編程嘗試，本質(zhì)上只是換了一層皮。

它證明了一件出乎許多人直覺的事：文言編程不需要經(jīng)過現(xiàn)代語言的翻譯層，文言文的語法結(jié)構(gòu)可以直接承載編程邏輯。確實，文言文和形式邏輯之間的親緣性或許比我們以為的更強，先秦諸子中，墨家和名家有著明確的形式邏輯傳統(tǒng)。公孫龍的“白馬非馬”，很像是在討論實例（instance）是否等同于其類（class）的問題，這本身就是一個類型理論的古典版本。

但wenyan-lang真正有趣的地方在于它所暗示的，那個未被實現(xiàn)的可能：如果讓一個在文言文認知框架內(nèi)思考的智能體來設(shè)計編程語言，它發(fā)明的東西可能根本不像Python，也不像任何我們現(xiàn)代熟知的編程語言。

比如，Python要求顯式聲明、明確賦值、嚴格縮進，一切關(guān)系必須寫出來。文言文恰好相反：省略是常態(tài)而非例外，主語經(jīng)常隱匿，意義依賴上下文推斷而非顯式標注。一種“文言式”的編程范式，可能是聲明式的、上下文感知的、默認省略而非默認顯式的。

孔子能不能寫Python？也許能。但，更有趣的問題是，孔子為什么要寫Python？

沒有結(jié)論的結(jié)尾

大語言模型能不能真正“棲居”在一種不屬于它訓(xùn)練語料主體的語言中？以目前的技術(shù)現(xiàn)實來看，答案大概率是否定的。無論它讀了什么，總是需要先將其映射為現(xiàn)代概念，以現(xiàn)代語言進行認知處理，這基本上已經(jīng)宣布了，它的“母語”既不是英文也不是中文，而是某種“現(xiàn)代語言”，而其限制比我們想象得還要強大。

然而，這個“不能”到底是技術(shù)瓶頸還是根本性限制？我們其實不知道。目前還沒有人認真從這個方向去做嘗試。正如前文所述，中文領(lǐng)域的古文大模型幾乎全部選擇了檔案路線而非人格路線，我想，部分原因不在于技術(shù)不可行，而在于一個更平庸也更人性的選擇。

做翻譯工具有明確的應(yīng)用場景和評估指標，做認知實驗沒有。有能力訓(xùn)練模型的機構(gòu)缺乏這個動機，有這個想法的人缺乏訓(xùn)練模型的資源。有趣的問題則剛好落在了所有現(xiàn)有激勵機制的縫隙里。

在《降臨》中，學(xué)會外星語言的Louise同時活在過去和未來，活在女兒必將死亡的事實中，肩負著沉重的倫理分量?？苹米髌窞槲覀儙淼奶魬?zhàn)和問題是，如果一種不同的語言首先意味著一種不同的認知方式，那么我們用一種語言建造的智能，它是否也只能認識那個語言所描述的唯一世界，是否也只能擔負那個世界唯一的倫理標準？

文言文就在那里，作為一種仍然可讀、仍然可編程、仍然可以與當代人類對話的古典語言，它沉默如未激活的參數(shù)，靜靜等待著，那個第一個發(fā)出“天地，好在否！”問候的人。